非监督学习技术研发的核心集中在对自编码器技术上面，这种技术用于图像生成是非常有用的，另外自编码器技术训练出来的模型可以学到图片的语义信息，这种在不同事物间进行关联的能力正是是人类推理的基石。
另外自编码器技术空间的降维再升维对应时间上的历史匹配加预判模型已经让梅溪大学的非监督学习技术进展很大，因为使用自编码器的训练模型不会像监督学习和强化学习模型那样受到样本数不均的负面影响，这对于像医疗和金融这样正负样本量差距很大的运用场景极为有用，这样的模型进行的预测是非常稳健的，不用担心中间出现一个变量后模型预测的结果就改变了，准确率严重下降。
因为梅溪大学在这个技术上面投入的力度是比较大的，在这种技术上发展很快，研发出了多种自编码器模型以及变种，这个也是梅溪大学神经元计算机和一些开发的智能技术产品那么聪明的基石之一。
在机器识别系统技术研发大楼这边，杨杰也是了解了自主学习技术在图像识别的一些运用研究课题，包括了用低分辨率图像合成高清晰图像技术以及各种人脸识别新技术等，技术人员也是模拟了各种复杂困难的运用场景来提升机器识别系统能力的提升，甚至还故意用一些技术手段来欺骗这些系统。
因为梅溪大学这边进行的很多研发课题都是不少是应华兴科技集团公司在自身运用当中碰到的技术困难展开的，在产学研转化沟通这一块是极为紧密的。
杨杰晚上的时候也是去了机器人研究院这边转了一圈，尤其是在视察了脑机技术部门研发的新型头戴式脑机接口样品设备。
现在技术团队研发出来的新型头戴式脑机接口设备用上了灵敏度极高的超导探测器件，这种新型设备对脑电波信号的探测灵敏度相比较之前有了非常巨大的提升。
负责这些设备研发的郑绍刚从九年前开始启动了，他带领的技术团队开发这个项目的想法是从大脑中提取这些微弱信号，解码它们的意思，并将它们传递到四肢，就可以绕过脊椎，重新将大脑和身体连接起来。
因为触摸和运动的信号在大脑中显得杂乱无章，因为每个动作都对应独特的信号，光是提取这些信号并进行分析解码已经是非常困难的事情，并将这些解码的大脑信号，分离为与预期运动和触觉相对应的信号发送到使用者上肢和下肢的电极套和振动带让使用者感受到触觉并且进行活动也是非常大的挑战。
技术研发部门利用头戴式脑机接口设备也是从志愿者头部采集了非常庞大的数据，这为技术团队在开发人脑信号智能识别模型算法上提供了非常大的帮助。
之前因为脑电的低分辨率，志愿者的很多的精细的想法是无法解读的，只能解读出大脑的兴奋程度和注意力集中程度。